WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

Электронный журнал «ИССЛЕДОВАНО В РОССИИ» 672 http://zhurnal.ape.relarn.ru/articles/2005/062.pdf Взаимодействие агента системы анализа изображений со средой Г.М.Цибульский (tcgm@fivt.krasn.ru ) Красноярский государственный технический университет Рассмотрим процесс формирования начального коллектива агентов и возникающей структуры на примере решения задачи картирования космофотоснимка приполярного Урала (Рис.1.).

Рис.1. Исходное изображение Исходные изображения для проводимого исследования представлены снимками Landsat ТМ в семи спектральных диапазона. На рис.1.

представлено изображение, синтезированное в четвёртом, пятом и третьем Электронный журнал «ИССЛЕДОВАНО В РОССИИ» 673 http://zhurnal.ape.relarn.ru/articles/2005/062.pdf спектральных диапазонах. В таблице 1. приведены характеристики каналов анализируемых изображений.

Таблица 1.

Спектральный Пространственное Характеристика отражения № канала диапазон (мкм) разрешение 1 0.45-0.515 30 0.44-0.49 мкм – хлорофилл, 9-10 каналы 2 0.525- 0.605 30 0.526-.556 мкм – хлорофилл, осадочные породы, 11-12 каналы 3 0.63 – 0.690 30 0.62-0.67 мкм – 1 канал, 0.66-0.68мкм –13,14 каналы, атмосфера, осадочные породы, флюоресценция хлорофилла 4 0.75-0.90 30 0.84-0.88мкм – 2 канал, изменение растительности, 0.74-0.89мкм–15-17 каналы, аэрозоли, атмосфера, облачность 5 1.55-1.75 30 1.63-1.65мкм – 6 канал, отделение снега и облаков 6 10.40-12.5 60 10.8-12.3мкм – 31,32 каналы, температура и высота облаков, лесные пожары, вулканы, температура поверхности Земли 7 2.09-2.35 30 2.1-2.15мкм – 7 канал, облачность Изображения можно охарактеризовать как текстурные с наличием, практически, всех видов текстур. Для участков изображения прежде всего водных поверхностей характерно смещение в низкочастотную часть спектра пространственных частот.

Электронный журнал «ИССЛЕДОВАНО В РОССИИ» 674 http://zhurnal.ape.relarn.ru/articles/2005/062.pdf В целом на изображении представлен Полярный Урал: переходная зона «лес-тундра». Северная граница леса на Полярном Урале сформирована лиственницей и представляет собой раздел двух растительных зон: леса и тундры. Снимок получен в июле 1988г.

Лиственничник представлен на изображении зонами с различной степенью сомкнутости крон: от 0.1 для лиственничных редин до 0.5 и выше для лиственничных насаждений.

Имеются также водные поверхности (в частности, озёра), каменистые россыпи, представленные крутыми склонами и каменистой речной поймой.

Другие виды растительности и лишайники отсутствуют. На участках тундры лишайники покрывают более чем 50% каменистой поверхности. Имеются кустарники, которые совместно с лишайниками составляют более 50% проективного покрытия каменистых поверхностей. Кроме того, имеются области на изображении, означивающие менее 50% проективное покрытие кустарниками ольхи, ивы и карликовой берёзы. Кустарники и лишайники составляют более 50% проективного покрытия каменистых поверхностей.

Возможны цели анализа изображений состоят в следующем.

1. Выделить лиственничные насаждения различной сомкнутости крон.

2. Выделить сомкнутые лиственничные насаждения (сомкнутость крон 0.3 и выше).

3. Выделить лиственничные насаждения и тундровую растительность, определив границу между ними.

4. Представить тематическую карту территории, выделив все возможные типы поверхности:

• Водные поверхности.

• Каменистые россыпи.

• Участки тундры с более чем 50% покрытием камней.

• Кустарники и лишайники с более 50% проективным покрытием каменистых поверхностей.

• Области с более чем 50% проективным покрытием кустарниками ольхи, ивы и карликовой берёзы.

• Лиственничные насаждения с сомкнутостью крон 0.1-0.2.

• Лиственничные насаждения с сомкнутостью крон 0.3-0.4.

• Лиственничные насаждения с сомкнутостью крон 0.5-0.6.

• Лиственничные насаждения с сомкнутостью крон 0.7-1.0.

Определить доли, занятые проекциями крон различной сомкнутости, территории, занятой лиственничными насаждениями.

Первоначальное (априорное) состояние системы анализа изображений – корневой агент типовой структуры. Знание агента – признаковое пространство целей. Общий агентный ресурс – процедурное описание признаков элементов изображения, упорядоченное по четырём уровням:

иконические признаки (Xi1), геометрические признаки примитивов (Xi2), Электронный журнал «ИССЛЕДОВАНО В РОССИИ» 675 http://zhurnal.ape.relarn.ru/articles/2005/062.pdf геометрические признаки сегментов (Xi3), геометрические признаки классов сегментов (Xi4).

Описание глобальной цели рассматриваемой задачи формируется по инициативе пользователя в диалоговом режиме с корневым агентом путём заполнения пользователем «формы», вопросы которой – наименование осей пространства целей агента. Итогом взаимодействия агента с пользователем являются вектор текущей цели и компактность его свойств: кластер в пространстве целей корневого агента (прецедентное обучение). При этом область определения признакового пространства определяется разбросом свойств сформированного кластера. Рассмотренная ситуация возникает, когда пространство целей корневого агента не структурировано.

Размерность пространства целей корневого сегмента может изменяться по инициативе пользователя. Размерность пространства тем самым адаптируется по точности описания глобальной цели, которую может преследовать корневой агент.

Определение структуры текущей глобальной цели осуществляется также в диалоге с пользователем путём задания им по запросу корневого агента обучающих выборок (Рис.2.), характеризующих классы сегментов искомой картосхемы. Тем самым определено количество подцелей текущей глобальной цели.

Поскольку для нисходящего проектирования дерева целей и возникающей структуры для текущей глобальной цели имеющейся информации недостаточно, то оно прерывается и активируется агент уровня примитивов с типовой структурой. По данным обучающей выборки текущий агент формирует своё пространство обобщения:

1. Вычислить исходное признаковое пространство Xi1;

2. Декоррелировать пространство Xi1 поворотом осей пространства (метод главных компонент) до тех пор, пока не будет получена новая некоррелированная система признаков.

Необходимость этого этапа обусловлена тем, что некоррелированная система признаков позволяет: а) обеспечить Электронный журнал «ИССЛЕДОВАНО В РОССИИ» 676 http://zhurnal.ape.relarn.ru/articles/2005/062.pdf Рис. 2.

Изображен ие выборочн ых данных монотонно е убывание информати вности признаков после их упорядоче ния, что, в свою очередь, позволяет правильно сформулир овать множество признаков, описываю щих искомый класс сегментов; б) выбрать простое решающее правило.

3. Данные, полученные при вычислении пространства Xi1, являются исходными при вычислении ковариационной матрицы и преобразования Карунена–Лоэва. Диагональный элемент ковариационной матрицы, вычисляемой по всему множеству признаков, равен дисперсии значения признака по всем точкам изображения. Ковариационная матрица приводится к диагональному виду, для чего из АtА = вычисляется матрица А преобразования координат. В этом уравнении состоит из собственных значений исходной ковариационной матрицы:

1 = 0 В преобразованном пространстве ковариационная матрица имеет диагональный вид R = АtА = Электронный журнал «ИССЛЕДОВАНО В РОССИИ» 677 http://zhurnal.ape.relarn.ru/articles/2005/062.pdf 4. Признаковое описание искомого класса сегментов – это минимальный набор признаков декоррелированного признакового пространства, который является наилучшим в смысле разделения искомого класса сегментов от «всего остального» (от фона). Этот набор признаков можно сформировать путем последовательного привлечения наилучших в смысле разделения искомого класса сегментов от «всего остального» признаков. Если оценка результатов классификации по выбранным признакам неудовлетворительны, то поиск наилучших признаков из оставшихся необходимо продолжить.

Отсюда следует необходимость упорядочения признаков по информативности.

Из двух признаков Хi, Хj, будем считать лучшим тот (более информативным), который обеспечивает меньшую ошибку классификации (разделения искомого класса от фона). Под ошибкой классификации будем далее понимать сумму ошибок первого и второго рода.

Известно [1], что точная верхняя граница суммы ошибок первого и второго рода по некоторому Хi для известных нормальных распределений, например, искомого класса и фона, равна обратной величине однократного расстояния Бхаттачариа. Тогда признаки декоррелированной системы признаков могут быть упорядочены в соответствии с расстоянием Бхаттачариа: наиболее информативен тот признак, для которого расстояние Бхаттачариа больше.

Поскольку априорной информации о распределениях искомого класса сегментов Si и “всего остального” нет, то упорядочение признаков по информативности можно осуществить по представительным выборочным данным (например, для изображений - не менее 200 точек (доверительная вероятность – 0,95, доверительный интервал – 5%)).

Для использования критерия Бхаттачариа необходима также и представительная выборка фона. На рис. 3. изображено типичное взаимное расположение распределений элементов исходного изображения и выборки класса по некоторому признаку Хi. Можно утверждать, что с вероятностью, не меньшей 0,97, все элементы класса находятся в интервале (-3, 3) около математического ожидания распределения элементов класса (правило трех сигм). Тогда с той же вероятностью все элементы изображения, не попавшие в указанный интервал, принадлежат фону (заштрихованная область на рис.3.).

Распределение Распределение элементов элементов изображения класса 3 Электронный журнал «ИССЛЕДОВАНО В РОССИИ» 678 http://zhurnal.ape.relarn.ru/articles/2005/062.pdf Рис.3. Взаимное расположение распределений элементов изображения и класса Найденные элементы фона рассматриваются в качестве выборки, если их число не меньше объема выборки класса. Признак Хi может оказаться «плохим» для определения выборки фона, если число найденных элементов фона меньше объема выборки класса: дисперсии распределений элементов класса и исходного изображения сравнимы. В этом случае рассматривается следующий признак.

5. Найденной признаковое пространство рассматривается как пространство обобщения текущего агента с областью определения задаваемой компактностью элементов обучающей выборки. Такое рассмотрение правомерно, поскольку выборка задаёт локальные свойства всех элементов изображения искомого класса сегментов. С другой стороны, ясно, что и компактность свойств и множество признаков на уровне класса сегментов являются обобщением компактности и свойств примитивов. Поэтому возникшее рассогласование устраняется впоследствии при модификации текущего агента.

6. В режиме сканирования текущий агент отображает в пространство обобщения те пиксели изображения, которые удовлетворяют ограничениям обучающей выборки (Рис.4.). Далее данные в пространстве обобщения текущего агента кластеризуются алгоритмом ISODATA при неизвестном априори числе классов. Из сформировавшихся кластеров выделяются (остальные данные удаляются) такие кластеры, число элементов которых не менее 5-10, которые не пересекаются с другими кластерами. Наличие пересекающихся кластеров означает, что рассматриваемая система признаков не является информативной для их -разделимости.

Оставшиеся элементы изображения, обладающие свойствами элементов обучающей выборки, далее рассматриваются в качестве вторичной обучающей выборки, если она является представительной. По вторичной обучающей выборке порождается очередной агент уровня примитивов уже указанным образом.

7. Данные, описываемые кластерами пространства обобщения текущего агента, отображаются на поле изображения (Рис.5.), на котором прослеживается их связность. На полученных примитивах вычисляются Xi2.

Причём ищется уже описанным выше способом такое подмножество Xi2, которое обеспечивает формирование в пространстве целей текущего агента всех его обобщений: примитивы, образующие один сегмент, в пространстве обобщения текущего агента образуют, естественно, один кластер, а примитивы разных сегментов – разные кластеры. Следовательно, с примитивами одного сегмента в пространстве целей текущего агента Электронный журнал «ИССЛЕДОВАНО В РОССИИ» 679 http://zhurnal.ape.relarn.ru/articles/2005/062.pdf Рис. 4. Элементы анализируемого изображения (жёлтые точки) с локальными свойствами второго класса сегментов должна быть связана одна типовая цель. Таким образом, пространство целей (вектор признаков, область определения и структура) текущего агента сформировано.

Рис.5. Примитивы со свойствами сегментов второго класса Электронный журнал «ИССЛЕДОВАНО В РОССИИ» 680 http://zhurnal.ape.relarn.ru/articles/2005/062.pdf 8. После завершения работы текущего агента порождается агент уровня сегментов. Цель порождения агента – сформировать 1. пространство обобщения (подмножество для Xi2, область определения, структуру), 2.

пространство целей (подмножество для Xi3, область определения пространства, структуру пространства, дерево подцелей для каждой типовой цели), 3. связь каждой типовой цели с соответствующим кластером пространства обобщения.

Ситуация с достижением целей порождения агента схожа с ситуацией порождения агента уровня примитивов: по описаниям откликов агента уровня примитивов формируются пространство обобщения текущего агента и его структура (Рис.6.) и пространство целей текущего агента со структурой, тождественной структуре пространства обобщения. Причём по известной структуре полученных сегментов формируются типовые подцели пространства целей текущего агента с соответствующим описанием каждой подцели.

Аналогично порождаются агенты уровня класса сегментов. Таким образом, в восходящем анализе данных сформированы агенты всех уровней анализа изображения, достаточные для преследования сформулированной пользователем глобальной цели. На рис. 7. Представлена картосхема с искомыми сегментами пяти классов.

Рис. 6. Сегменты второго класса Электронный журнал «ИССЛЕДОВАНО В РОССИИ» 681 http://zhurnal.ape.relarn.ru/articles/2005/062.pdf Рис. 7. Сегменты всех пяти классов 1. Коулмен Г.Б., Эндрюс Х.С. Сегментация изображений при по-мощи автоматической классификации. ТИИЭР, 1979,т. 67, N 5, с. 39-49.




© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.